Sklearn (全称 Scikit-Learn) 是基于 Python 语言的机器学习工具,是机器学习中的常用第三方模块。它建立在 NumPy, SciPy, Pandas 和 Matplotlib 之上,里面的 API 的设计非常好,所有对象的接口简单,对常用的机器学习方法进行了封装,包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。

Python数据分析免费公开课大数据分析的基础入门课程

数据挖掘数据挖掘是近十几年来大数据、人工智能行业飞速发展最重要的驱动技术之一，当前大数据分析几乎都离不开数据挖掘技术

人工智能实践：Tensorflow笔记深度学习入门课，基于Python和TensorFlow

Python网络爬虫与信息提取网络爬虫已经成为自动获取互联网数据的主要方式，数据采集需求迫切

【飞桨PaddlePaddle-源于产业实践的开源深度学习平台】百度的飞浆平台上手教程

【阿里云怎么用？阿里云新手学堂_快速了解阿里云 - 阿里云】阿里云新手指南

机器学习机器学习入门课，掌握基本算法

深度学习及其应用深度学习的基本原理和基本方法及其典型应用领域

深度学习基础本课程是一门侧重在深度学习相关理论基础的课程，并对深度学习的典型模型框架的基本原理进行了介绍

斯坦福深度自然语言处理2019 最新斯坦福 CS224nNLP 课程

斯坦福 CS231n 计算机视觉课程 李飞飞

计算机视觉（本科） 北京邮电大学 鲁鹏

世界级大佬带你恶补！100篇AI经典论文，带你逐句攻破！图像分类/强化学习/蒙特卡洛树/无监督学习/生成对抗网络/人工智能课程

MIT 计算机科学导论和python编程

李宏毅 2021/2022春机器学习课程

讲解当下流行的机器学习相关的技术和方法，帮助学习者利用Python语言掌握机器学习算法解决一般问题的基本能力。

本课程适合有一定统计学和概率论基础的同学学习。课程主题包括回归、聚类、boosting算法、图模型、最小化理论等等。

PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发，不仅能够 实现强大的GPU加速，同时还支持动态神经网络，这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能： 1.具有强大的GPU加速的张量计算（如Numpy） 2.包含自动求导系统的深度神经网络 除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch。 官方教程包含了 P

ParlAI 是一个基于 python 的平台，用于启用对话 AI 研究。其目标是为研究人员提供： - 用于共享、训练和测试对话模型的统一框架 - 许多流行的数据集都在一个地方可用，并且能够对它们进行多任务处理 - 无缝集成 [Amazon Mechanical Turk](https://parl.ai/docs/tutorial_crowdsourcing.html)，用于数据收集和人工评估 - [与Facebook Messenger](https://parl.ai/docs/tuto

华为云ModelArts平台使用教程

华为云平台HCIP-AI EI Developer V2.0系列课程。神经网络是深度学习的重要基础，理解神经网络的基本原理、优化目标与实现方法是学习后面内容的关键，这也是本课程的重点所在。

本课程为AI全栈成长计划第一阶段课程：AI基础篇。本阶段您将学习到：Python语言基础，AI基础概念，并由华为AI专家带您 0 代码开发自己的第一个AI模型。

本课程为AI全栈成长计划第二阶段课程：AI进阶篇。本阶段将由华为AI专家带您学习AI开发两大热门领域：图像分类和物体检测的模型开发，正式入门AI代码开发！

本课程为AI全栈成长计划第三阶段课程：AI应用篇。您将学习到行业深度应用的AI领域知识：OCR与NLP的概念及其模型开发，同时您也可以选择体验和学习当下热门的端云协同AI应用开发。

Python 语言在机器学习领域得到广泛认可。如果你使用 Python 语言编程，本课程可以提高你在 Python 语言下的机器学习实践能力。

这是吴恩达在斯坦福的机器学习课，是很多人最初入门机器学习的课，历史悠久，而且仍然是最经典的机器学习课程之一，CS229机器学习课程更加偏好理论，适合于有一定数学基础的同学学习。

本系列教程将手把手带您从零开始学习Tensorflow，并最终通过Tensorflow实现一些经典的项目。Tensorflow是由谷歌大脑团队于2015年11月开发的第二代开源的机器学习系统。Tensorflow支持python、C++、java、GO等多种编程语言，以及CNN、RNN和GAN等深度学习算法。Tensorflow是目前最火的深度学习框架，广泛应用于自然语言处理、语音识别、图像处理等多个领域。不仅深受全球深度学习爱好者的广泛欢迎，Google、eBay、Uber、OPenAI等众多

数学基础＋基本的机器学习方法，通过手动推导的形式进行梳理讲解。

本课程由杨强老师（加拿大工程院院士、香港科技大学讲席教授）介绍迁移学习和联邦学习的最新进展，包括横向联邦、纵向联邦、联邦标准、异构联邦学习、迁移学习以及联邦学习的应用案例。

本课程由华为诺亚的宋老师介绍联邦学习在语音唤醒中的应用。联邦学习能够有效利用各种用户的信息知识，提升所有用户的KWS（智能唤醒）使用体验，对于使用中心模型时表现糟糕的用户，联邦学习能够显著提升模型在这些用户上的性能，整个流程中数据不离开用户端侧，满足隐私保护的要求。

本课程由加拿大滑铁卢大学的胡泽欧博士介绍多目标优化联邦学习。包括：Pareto Optimal、Ordering Cone、MGDA算法、 FedMGDA+算法。

本课程由天津大学石育澄老师，介绍联邦域自适应中对抗机器学习方法的应用。主要内容包括，对抗噪声可缓解域差异导致的性能损失，对抗训练方法可对齐域间数据分布，或作为数据增广方法提供更多监督信息。

本课程由华为诺亚的卢老师，介绍网络与联邦协同收敛性分析与设计。通信网络在通信延时、带宽&能量、资源配置等方面均面临挑战，联邦学习在算法精度&收敛速度、计算量&数据分布、训练调度等方面均面临挑战，本课程从理论上，给出了通信网络与联邦学习之间的桥梁。

本课程将全面介绍基于TensorFlow深度学习框架的人工智能应用开发技术。课程不仅会讲解机器学习的基础理论和主流的模型及算法，而且会重点讲解如何基于TensorFlow框架。

熟悉目标检测的常用算法，并在此基础上应用OpenVINO平台，实现典型的机器视觉应用，在次基础上做创新性的应用更佳。

入门级大数据课程，适合初学者，完备的课程在线服务体系，可以帮助初学者实现“零基础”学习大数据课程。课程采用厦门大学林子雨老师编著的国内高校第一本系统性介绍大数据知识专业教材《大数据技术原理与应用》。课程紧紧围绕“构建知识体系、阐明基本原理、引导初级实践、了解相关应用”的指导思想，对大数据知识体系进行系统梳理，做到“有序组织、去粗取精、由浅入深、渐次展开”。

大数据算法这门课程旨在通过讲授一些大数据上基本算法设计思想，包括概率算法、I/O有效算法和并行算法，让听课的同学们接触到和传统算法课程不一样的算法设计与分析思路，并且以最新的研究成果为导向，让参与这门课程学习的同学了解大数据算法的前沿知识。

课程以神经网络与深度学习的理论及其实例为主线，内容包括Python编程基础、多维数组和数据可视化、TensorFlow2.0深度学习框架、回归问题、分类问题、人工神经网络和卷积神经网络。我们将循序渐进、抽丝剥茧的详细介绍算法原理，并为每个重要的理论知识点精心设计了对应的TensorFlow实例，使学习者具备扎实的理论基础和良好的应用能力，能够根据实际任务的需求，合理选择和使用数据，构建、训练和测试模型，并调整模型或参数，优化和改进系统；能够对实验结果进行分析和解释，评估模型精度和误差，具备人工智

华为云AI论文精读会2021邀请计算机视觉、迁移学习、自然语言处理等领域专家学者基于华为云ModelArts解读经典论文算法，让更多人来低门槛使用经典的算法。本期由来自中国科学院大学的陈城鑫，从论文概览、算法模型剖析、代码复现三个方面带领大家解读《Emotion Recognition from Variable-Length Speech Segments Using Deep Learning on Spectrograms》。

通过本课程的学习，不仅可以系统掌握模式识别的基本知识、理论和方法，了解模式识别的发展趋势和应用领域，还能够为将来进一步深入学习和研究模式识别和人工智能打下坚实的基础，帮助我们提高解决工程问题的能力。

本课程深入数据挖掘技术基础，使得学生既能够掌握数据挖掘算法的基本原理、关键技术，并且引入最新的数据挖掘案例，使得学生掌握如何通过了解数据、数据预处理、数据模式挖掘来解决现实中的数据挖掘案例。

详细介绍了Sigmoid函数的相关知识和代码实现

本文介绍了现代神经网络中必不可少的一个组成部分, 激励函数。

课程将较全面地讲解智能交互技术及其应用，包括基本概念、智能交互原型设计、基于移动设备的智能交互软件开发、智能语音交互、交互技术设计与评价方法以及智能交互技术的前沿应用领域等内容，充分体现“智能+交互”。

本课程通过培养学生认识模式识别的目的和意义，了解模式识别的过程，掌握机器学习的基本算法，并用以解决模式识别基本任务，促进学生应用模式识别处理计算机自动识别事物，掌握机器学习数据分析的相关技术；切实提高机器学习算法的理解与应用，提升对新理论、新方法的把握能力和研究能力，以及正确的解决工程问题的实践能力。课程面向模式识别领域的前沿知识，内容兼顾基本理论和应用实例，紧扣该领域国际发展前沿和热门研究课题，将实例贯穿于知识点，并能够对知识点进行延伸扩展，达到举一反三的目的。

课程目标：理解深度学习的基本原理、精选的深度学习基本算法及其典型应用，并使用主流的机器学习开源平台实现深度学习在典型领域的应用过程，能否对一般难度的应用问题进行分析和代码实现。

云计算是分布式计算、并行计算、效用计算、 网络存储、虚拟化、负载均衡等传统计算机和网络技术发展融合的产物。 我们身处云计算和大数据时代，已经在“云”端学习与生活。为了系统学习云计算技术，请加入“云计算技术与应用”课程吧！我们将带领你进入云中开启云计算之旅！

用大白话的方式讲解因果推断Causal这门学问的大致内容以及要解决的两个问题，并且对第一个问题按照自己定义的四类方法进行了常用算法总结和介绍

主要介绍了causal effect estimation这个方向里的ATE估计

详细介绍了Sigmoid函数的相关知识和代码实现

本文介绍了现代神经网络中必不可少的一个组成部分, 激励函数。

课程将较全面地讲解智能交互技术及其应用，包括基本概念、智能交互原型设计、基于移动设备的智能交互软件开发、智能语音交互、交互技术设计与评价方法以及智能交互技术的前沿应用领域等内容，充分体现“智能+交互”。

本课程通过培养学生认识模式识别的目的和意义，了解模式识别的过程，掌握机器学习的基本算法，并用以解决模式识别基本任务，促进学生应用模式识别处理计算机自动识别事物，掌握机器学习数据分析的相关技术；切实提高机器学习算法的理解与应用，提升对新理论、新方法的把握能力和研究能力，以及正确的解决工程问题的实践能力。课程面向模式识别领域的前沿知识，内容兼顾基本理论和应用实例，紧扣该领域国际发展前沿和热门研究课题，将实例贯穿于知识点，并能够对知识点进行延伸扩展，达到举一反三的目的。

本课程成体系介绍人工智能的基本概念和基础算法，可帮助学习者掌握人工智能脉络体系，体会具能、使能和赋能，从算法层面对人工智能技术“知其意，悟其理，守其则，践其行”。课程内容包括如下：人工智能概述、搜索求解、逻辑与推理、监督学习、无监督学习、深度学习、强化学习、博弈对抗。

《机器人基础原理》是为机器人工程专业开设的一门专业基础课程。学习对象是大学二年级以上本科生及其他对机器人技术感兴趣的学习人员。本课程为机器人专业基础课程，涉及到机器人机构组成原理、坐标变换基础、位姿运动学、速度建模与分析、动力学建模与分析、驱动系统、位姿轨迹控制、力控制、智能控制等内容，涉及面较宽，单纯依赖视频学习存在一定的局限性。建议结合本课程推荐的参考书同步进行学习。

本次报告讲围绕深度强化学习基础知识与研究应用展开讨论，包括基本概念、强化学习算法类别、常用强化学习算法等，其次将介绍强化学习研究中的挑战和一些研究思路与交叉方向，最后将讨论深度强化学习的一些实用案例与潜在应用方向。

在机器学习教育领域，台湾大学电机工程系助理教授李宏毅以鲜明的个人风格独树一帜，不少人将其推荐为入门机器学习的首选课程。

从零推导机器学习系列模型和公式

基于深度学习的自然语言处理课。Natural language processing (NLP) is a crucial part of artificial intelligence (AI), modeling how people share information. In recent years, deep learning approaches have obtained very high performance on many NLP tasks. In this course

本次课程，最大程度基于实际项目需要，介绍主流的自然语言处理方法，涉及的主要术语以及术语解释，采用Google成熟的机器学习框架tensorflow进行编码实现。课程涉及中文分词、逻辑回归、word2vec以及RNN的算法实现 ，全部以中文素材进行模型训练，最大限度贴近实战。 学员通过课程学习可以掌握目前互联网企业应用的基本NLP框架，熟悉模型训练、模型分发和使用的流程，最终可以应用到实际生产项目中。

学习主流的Lstm模型，包括Rnn和Lstm的起源和发展，Lstm的模型，Lstm的应用场景，Lstm的训练过程，Lstm的后续发展。学习文本分类的发展，文本分类和深度学习的结合点。 学习基于Tensorflow的Lstm文本分类实战。